Was ist Predictive Analytics?

Predictive Analytics ist eine Art von Datenanalyse, die Statistiken, Data Science, Machine Learning und andere Methoden verwendet, um zukünftige Ereignisse vorherzusagen. Predictive Analytics beantwortet die Frage: „Was wird in Zukunft auf der Grundlage historischer Trends am wahrscheinlichsten passieren?“

Unternehmen können Predictive Analytics einsetzen, um mögliche Risiken und Chancen zu identifizieren. Einmal ermittelt, können mittels prädiktiven Erkenntnissen Maßnahmen geplant werden, die ein Unternehmen ergreifen sollte.

Warum ist Predictive Analytics wichtig?

Predictive Analytics ist wichtig, da Unternehmen so genau einschätzen können, was als Nächstes in einem Szenario passieren wird.So können Organisationen potenzielle Probleme erkennen und mindern oder den Wettbewerb übertreffen, indem sie neue Chancen schnell ergreifen.

Arten von Prognosemodellierung

Überwachtes Lernen und unüberwachtes Lernen sind zwei verschiedene Modellierungsansätze, mit denen Prognosemodelle erstellt und spezifische Probleme gelöst werden können.

 

Überwachtes Lernen
Überwachtes Lernen bedeutet, einem Algorithmus wird beigebracht, auf der Grundlage historischer Daten zu einer bestimmten Schlussfolgerung zu kommen. Wenn die Frage beispielsweise lautet: „Wird dieser Kunde abwandern?“, kann ein Data Analyst sich historische Daten dazu ansehen, wer in der Vergangenheit abgewandert ist, und einen Algorithmus darauf trainieren, zu bestimmen, welche Kunden aufgrund dieser Daten am wahrscheinlichsten abwandern werden. Zusammengefasst: Ein Analyst erstellt ein Trainings-Dataset mit einem bekannten Ergebnis (z. B. Abwanderung oder Nicht-Abwanderung), das der Algorithmus dann verwendet, um ein Vorhersagemodell auf der Grundlage historischer Daten zu erstellen.
Unüberwachtes Lernen
Unüberwachtes Lernen bedeutet, einen Algorithmus darauf zu trainieren, nach Ähnlichkeiten oder Mustern in Daten zu suchen und Dinge auf der Grundlage dieser Informationen zu gruppieren, ohne vorzugeben, wonach er suchen soll. Eine Streamingplattform kann beispielsweise unüberwachtes Lernen nutzen, um Benutzer:innen basierend auf Ähnlichkeiten beim Zuschauerverhalten zu gruppieren. Der Streamingdienst kann dann diese Cluster oder Segmente verwenden, um eine Empfehlung dazu zu geben, was Zuschauer als Nächstes ansehen sollten.

Die folgenden drei Arten von Algorithmen werden für Predictive Modeling verwendet:

 

Classification
Klassifizierung: ein überwachter Algorithmus, der eine Kategorie oder „Klassenbezeichnung“ auf Grundlage von historischen Daten vorhersagt. Beispiel: ein E-Mail-Client, der eine E-Mail auf Grundlage eines Klassifizierungsalgorithmus als „Spam“ einordnet, indem er frühere Attribute von Spam-E-Mails berücksichtigt.
Regression
Regression: ein überwachter Algorithmus, der einen Wert oder eine Zahl auf Grundlage historischer Daten vorhersagt. Beispiel: Auf Grundlage von Ort, Größe und anderen Faktoren kann ein Regressionsalgorithmus den Wert eines Hauses vorhersagen.
Clustering
Clustering: ein unüberwachter Algorithmus, der Daten nach ähnlichen Mustern und Merkmalen in Gruppen unterteilt. Beispiel: Eine E-Commerce-Website kann einen Clustering-Algorithmus verwenden, um Kund:innen anhand der Browser- und Kaufhistorie zu sortieren und so eine fundierte Marketingstrategie zu entwickeln.

Wie funktioniert Predictive Analytics?

Predictive Analytics beginnt immer mit einem Geschäftsproblem (Kundenabwanderung, ineffiziente Prozesse usw.). Der Prozess von Predictive Analytics besteht anschließend aus den folgenden Schritten:

Die für die Entscheidung erforderlichen Daten erfassen: Dabei kann es sich um Verhaltensdaten, Gerätedaten, Social-Media-Daten oder Finanzdaten handeln – die historischen Daten, die bei der Vorhersage zukünftiger Ergebnisse helfen.

Trainingsdaten integrieren, zusammenführen und bereinigen: Stellen Sie sicher, dass die Daten, die für das Modelltraining verwendet werden, in der richtigen Form und im richtigen Format für die zu verwendenden Analysemethoden vorliegen.

Vorhersagemodell erstellen: Wählen Sie einen Algorithmus und Startparameterwerte aus und beginnen Sie den iterativen Prozess des Vergleichens der Modellvorhersage mit der korrekten Ausgabe. Passen Sie dabei die Parameterwerte so lange an, bis das Modell die Trainingsdaten genau vorhersagt.

Prognosemodell validieren: Zeigen Sie dem Modell die „ungesehenen“ historischen Daten und vergleichen Sie seine Prognosen mit dem tatsächlich Geschehenen, um sicherzustellen, dass das Modell nicht an die Trainingsdaten überangepasst ist.

Prognosemodell bereitstellen: Hosten Sie das Modell, um Zugriff auf eingehende Daten für Bewertungen bereitzustellen, während Sie die Modellleistung überwachen und bei Bedarf ein erneutes Training durchführen.

Integration von Geschäftssystemen: Nutzen Sie den Predictive Score, um Maßnahmen zu ergreifen (Prozessverbesserung, Predictive Maintenance, Geräteüberwachung).

Anwendungsfälle für Predictive Analytics

Predictive Analytics kann verschiedenen Unternehmen und Abteilungen dabei helfen, wichtige Ziele zu erreichen und Probleme zu lösen.

 

Kundenerfolg

  • Prognostizieren Sie, welche Kund:innen innerhalb eines bestimmten Zeitraums wahrscheinlich abwandern werden, damit Sie Maßnahmen ergreifen können, um den Verlust wertvoller Kund:innen zu verhindern
  • Kategorisieren Sie Kund:innen anhand von Mustern in vordefinierte Gruppen (oder Segmente), um mehr über sie zu erfahren.

Gesundheitswesen

  • Prognostizieren Sie, welche Patient:innen ihre Termine wahrscheinlich nicht wahrnehmen werden, damit Sie die Produktivität von Ärzten durch minimale Ausfallzeiten steigern können.
  • Prognostizieren Sie, welche Patient:innen wahrscheinlich unzufrieden sind und warum. Verwenden Sie diese Informationen, um zu bestimmen, wie die Patientenzufriedenheit verbessert werden kann.

Versicherung

  • Sagen Sie das Stornoverhalten von Versicherungsnehmern voraus, und entwickeln Sie eine Strategie, um die Bindung zu erhöhen.
  • Prognostizieren Sie, welche Ansprüche wahrscheinlich erfolgreich abgetreten werden, damit Sie sich voll und ganz auf Ansprüche mit hohem Potenzial konzentrieren und die Wiederherstellung von Schadenzahlungen optimieren können.

Marketing

  • Prognostizieren Sie, welche Empfänger:innen wahrscheinlich an einer Umfrage teilnehmen werden.
  • Prognostizieren Sie, welche Kund:innen wahrscheinlich auf Kampagnenbotschaften reagieren werden, und priorisieren Sie die Kontaktaufnahme mit diesen Kund:innen.

Vertrieb

  • Prognostizieren Sie, welche potenziellen Kund:innen wahrscheinlich reagieren werden, und priorisieren Sie die Kontaktaufnahme mit ihnen.
  • Prognostizieren Sie, welche anderen Produkte Kunden wahrscheinlich kaufen werden, damit Sie sich auf Cross- und Up-Selling konzentrieren können.

Anleitung: Erste Schritte mit Predictive Analytics

Die Alteryx Analytics Automation Platform stellt Predictive Analytics innerhalb des gesamten Analyse-Workflows bereit. Datenzugriff, -vorbereitung und -modellierung sowie das Teilen von Analyseergebnissen erfolgen alle an einem Ort und auf einer benutzerfreundlichen Plattform.

Laden Sie das Starter-Kit für Predictive Analytics kostenfrei herunter und sehen Sie, wie Alteryx Predictive Analytics zugänglicher und agiler macht. Im Lieferumfang des Solution Kits sind Analysevorlagen enthalten, mit denen Sie lernen können, wie Sie die Low-Code-/No-Code-Tools in Alteryx verwenden, um Kundenausgaben vorherzusagen, Zeitreihenprognosen zu erstellen und Ihre Preisgestaltung zu optimieren.

Für weitere Informationen zu den Predictive-Analytics-Lösungen von Alteryx wenden Sie sich jederzeit gerne an uns.

Nächste Begriff
Cloud Data Warehouse (CDW)